基于无人驾驶平台的交通灯及数字检测与识别系统
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 交通灯及倒计时数字基础知识 | 第13-14页 |
| 1.3 交通灯及数字检测与识别研究现状 | 第14-16页 |
| 1.3.1 交通灯及数字检测方法概述 | 第14-15页 |
| 1.3.2 交通灯及数字识别方法概述 | 第15-16页 |
| 1.4 交通灯及数字检测与识别难点 | 第16页 |
| 1.5 本文主要工作 | 第16-18页 |
| 1.5.1 主要研究内容 | 第16-17页 |
| 1.5.2 本文组织结构 | 第17-18页 |
| 2 基于显著性特征的交通灯及数字检测 | 第18-30页 |
| 2.1 设置感兴趣区域 | 第19-20页 |
| 2.2 基于显著性特征的交通灯及数字区域分割 | 第20-23页 |
| 2.2.1 生成颜色、亮度、边缘融合的显著图 | 第20-22页 |
| 2.2.2 颜色、亮度、边缘特征图融合 | 第22页 |
| 2.2.3 显著图分割 | 第22-23页 |
| 2.3 基于几何特征和颜色特征的候选区域过滤 | 第23-25页 |
| 2.3.1 基于几何特征的候选区域过滤 | 第23-24页 |
| 2.3.2 基于颜色特征的候选区域过滤 | 第24-25页 |
| 2.4 提取单个目标区域 | 第25-28页 |
| 2.4.1 OTSU二值化 | 第25-27页 |
| 2.4.2 基于垂直投影的区域分割 | 第27-28页 |
| 2.5 实验结果与分析 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 3 基于结构特征的交通灯及数字识别方法 | 第30-37页 |
| 3.1 数字灯结构识别方法 | 第30-32页 |
| 3.1.1 子区域划分 | 第31-32页 |
| 3.1.2 统计有效区 | 第32页 |
| 3.2 圆灯和箭头灯结构识别方法 | 第32-35页 |
| 3.2.1 投影特征提取 | 第32-34页 |
| 3.2.2 特征样本建立 | 第34页 |
| 3.2.3 基于KNN的圆灯和箭头灯分类 | 第34-35页 |
| 3.3 实验结果与分析 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 基于CNN和HOG特征融合的交通灯及数字识别 | 第37-47页 |
| 4.1 卷积神经网络 | 第37-40页 |
| 4.2 LENET-5神经网络模型 | 第40-41页 |
| 4.3 交通灯及数字的CNN特征提取 | 第41-42页 |
| 4.3.1 预处理 | 第41页 |
| 4.3.2 CNN模型参数训练 | 第41页 |
| 4.3.3 CNN特征提取 | 第41-42页 |
| 4.4 HOG特征 | 第42-43页 |
| 4.5 交通灯及数字HOG特征提取 | 第43页 |
| 4.6 CNN特征和HOG特征融合 | 第43-44页 |
| 4.7 SVM分类器 | 第44-45页 |
| 4.8 实验结果与分析 | 第45-46页 |
| 4.9 本章小结 | 第46-47页 |
| 5 无人驾驶平台上的交通灯及数字检测与识别实验 | 第47-57页 |
| 5.1 无人驾驶平台介绍 | 第47-50页 |
| 5.1.1 无人驾驶汽车硬件设备介绍 | 第47-49页 |
| 5.1.2 无人驾驶平台软件系统介绍 | 第49-50页 |
| 5.2 交通灯及数字检测与识别子系统 | 第50-51页 |
| 5.3 系统实验设计与结果分析 | 第51-56页 |
| 5.3.1 实验设计 | 第51页 |
| 5.3.2 交通灯及数字检测实验结果分析 | 第51-53页 |
| 5.3.3 交通灯及数字识别实验结果分析 | 第53-55页 |
| 5.3.4 系统总体性能和效率分析 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64页 |
